一种基于Susan算子和滑动模糊PID的小车自适应循迹方法

本发明涉及到无人驾驶，具体涉及一种基于susan算子和滑动模糊pid的小车自适应循迹方法。

背景技术：

1、无人驾驶作为社会生活中的一个热点问题，已得到了深入研究。在无人驾驶领域中，包括最重要的两个问题：道路边缘的提取以及控制系统的精密度。其中对于道路边缘的提取，目前研究者提出的susan边缘检测方法较上述其它方法具有更好的边缘检测能力，因此受到广泛关注。然而，传统susan边缘检测方法利用单个像素灰度差来刻画像素差异，易受到噪声干扰的影响，大大影响了其抗噪性能。同时susan边缘检测方法对车道线的提取一般采用的是susan算子对整个图像进行卷积，再用hough变换提取车道线，这个过程是对整个图像进行检索，运算量比较大，并且难以提取出车道线的相关信息。另外，关于控制系统的精密度方面，目前经常采用经典的数字pid算法。然而，普通pid调节参数困难以及难以应对各种突发情况并且输出相应速度较模糊控制器较差。而模糊控制器虽然可以提高响应速度，但在实际使用过程中带有干扰导致输出不够平滑稳定。

技术实现思路

1、针对现有技术的不足，本发明的目的是提供一种基于susan算子和滑动模糊pid的小车自适应循迹方法，该方法在边缘生长法中得到启发，算法中基本没有复杂运算，能够极大节省算力，且对局部噪声不敏感、抗噪能力强，有较强的环境适应能力。

2、为达到上述目的，本发明采用的技术方案如下：

3、一种基于susan算子和滑动模糊pid的小车自适应循迹方法，其关键在于，包括以下步骤：

4、步骤1、获取道路灰度图像，并获取灰度值差异的阈值g与约束边缘质量的阈值t；

5、步骤2、利用大津法计算整幅灰度图像的otsu阈值；

6、步骤3、比对阈值，并结合susan算子提取出道路边缘；

7、步骤4、根据道路边缘计算获得小车的平均偏移量；

8、步骤5、将小车的平均偏移量输入模糊pid控制器并根据输出的pwm波控制小车的舵机转向；

9、步骤6、根据小车的目标速度以及平均偏移量计算获得实际期望速度，将小车的实际期望速度输入基于滑动滤波器的模糊pid控制器并根据输出的pwm波控制小车速度。

10、进一步的，步骤1中灰度值差异的阈值g的设置过程为：

11、步骤1.1、采用灰度摄像头进行道路灰度图像的采集；

12、步骤1.2、观察所采集道路灰度图像的道路边缘灰度值差值；

13、步骤1.3、基于susan算子的圆形模板，将圆形模板内部像素点的灰度值与圆形模板中心像素点的灰度值进行比较，获得使核值相似区面积占整个圆形模板面积一半的阈值g，并将整个圆形模板面积的一半作为约束边缘质量的阈值t。

14、进一步的，所述核值相似区面积的计算过程如下：

15、比较圆形模板内每个像素点的灰度值与圆形模板中心像素点的灰度值，获得与模板中心具有相同或相似灰度值的像素点，计算公式为：

16、

17、其中，r为圆形模板的圆心像素点，r0为圆形模板内的任意像素点，i(r)为圆形模板的圆心像素点r的灰度值，i(r0)为圆形模板内任意像素点r0的灰度值；

18、将所有与模板中心具有相同或相似灰度值的像素点组成核值相似区；

19、计算核值相似区的面积，计算公式为：

20、

21、其中，n(r0)表示以r为圆心的核值相似区面积。

22、进一步的，步骤2中利用大津法计算整幅灰度图像的otsu阈值公式为：

23、g＝w0·w1·(u0-u1)2

24、其中，g为otsu阈值，w0为后景图像的像素比，w1为前景图像的像素比，u0为后景图像的平均灰度，u1为前景图像的平均灰度。

25、进一步的，步骤3中提取出道路边缘的具体步骤如下：

26、步骤3.1、确定道路边缘的起始点；

27、步骤3.2、确定各行像素的道路边缘点。

28、进一步的，步骤3.1中确定道路边缘的起始点的具体过程如下：

29、步骤a1、在道路灰度图像的底行，定位中间列的像素点；

30、步骤a2、由中间列的像素点向两边依次横向移动一个像素点，比较每个像素点的灰度值与otsu阈值的差值，若小于阈值t则计算每一个像素点的核值相似区面积，若大于阈值t则继续移动到下一个像素点，重复上述过程，直到找到核值相似区面积小于阈值t时停止该行的列检索，获得道路边缘的起始点。

31、进一步的，步骤3.2中确定各行像素的道路边缘点的具体过程如下：

32、步骤b1、以道路边缘的起始点所在列为基准；

33、步骤b2、采用susan算子对下一行进行横向检索，找到像素点的灰度值与otsu阈值的差值小于阈值t的像素点；

34、步骤b3、计算步骤b2找到的各个像素点的核值相似区面积；

35、步骤b4、比较步骤b3计算获得的核值相似区面积与阈值t的大小，若该小于阈值t则停止该行的列检索，获得该行对应的左右道路边缘点；

36、步骤b5、以步骤b4获得的左右道路边缘点作为基准，重复步骤b2-b4进行下一行道路边缘点的获取，直至获得道路灰度图像每一行像素点对应的道路边缘点。

37、进一步的，步骤4中小车的平均偏移量的计算步骤为：

38、步骤4.1、计算出道路灰度图像中每一行的偏移量；

39、步骤4.2、将每一行的偏移量累加后得到总偏移量；

40、步骤4.3、根据总偏移量和有效行数计算获得平均偏移量。

41、进一步的，步骤5中将小车的平均偏移量输入模糊pid控制器，根据模糊pid控制器输出的pwm波控制小车的舵机转向的具体过程为：

42、步骤5.1、误差量化：将平均偏移量作为输入，并对小车舵机的偏差e和偏差变化率ec进行量化，获得映射量化后的偏差e及偏差变化率ec；

43、步骤5.2、误差模糊化：确定模糊子集7个语言变量，将偏差e及偏差变化率ec通过隶属函数对应各自隶属度；

44、步骤5.3、参数模糊推理：根据e与ec的隶属度进行查表得到输出参数△kp、△ki、△kd的隶属度；

45、步骤5.4、获取参数值：根据模糊推理得到的各参数的隶属度乘以对应隶属值，之后总和相加得到参数△kp、△ki、△kd的参数值，然后根据设定的每个输出参数的增益得到输出参数kp、ki、kd的值；

46、步骤5.5、输出控制：得到输出参数kp、ki、kd的值后利用传统pid控制器输出pwm波，之后经过限幅后输出给驱动带动舵机转动。

47、进一步的，步骤6中将小车的目标速度输入基于滑动滤波器的模糊pid控制器，获得模糊pid控制器输出的pwm波控制小车速度的具体步骤为：

48、步骤6.1、误差量化：根据设定的小车目标速度以及平均偏移量计算获得小车每个电机的实时期望速度，将实时期望速度作为模糊pid控制器的输入，并对小车速度的偏差和偏差变化率进行量化，获得映射量化后的偏差及偏差变化率；

49、步骤6.2、误差模糊化：确定模糊子集7个语言变量，将偏差e及偏差变化率ec通过隶属函数对应各自隶属度；

50、步骤6.3、参数模糊推理：根据量化后的偏差及偏差变化率的隶属度进行查表得到参数△kp、△ki、△kd的隶属度；

51、步骤6.4、获取参数值：根据模糊推理得到的各参数的隶属度乘以对应隶属值，之后总和相加得到参数△kp、△ki、△kd的参数值，然后根据设定的每个输出参数的增益得到输出参数kp、ki、kd的值；

52、步骤6.5、输出控制：得到输出参数kp、ki、kd的值后利用传统pid控制器输出pwm波，之后经过限幅后输出给驱动控制小车速度；

53、步骤6.6、反馈输入：实时采集小车的当前速度，并采用滑动滤波器进行滑动滤波处理，将滑动滤波处理所得的当前速度值反馈至模糊pid控制器的输入端，并和目标速度相减进行偏差和偏差变化率的更新，然后进行下一轮的速度控制。

54、进一步的，所述滑动滤波器的实现过程是：

55、将多个小车速度的采样值设置为一个长度固定的队列；

56、将实时采集的小车当前速度的采样值放入队尾，并扔掉原来队首的数据；

57、将队列中的多个采样值数据进行算术平均运算，获得滑动滤波后的当前速度值。

58、本发明的显著效果是：

59、1、本发明实施例通过大津法将道路灰度图像分为前景和背景两个部分，然后利用susan算子并比对otsu得到的阈值对指定区域进行滑动检索，可以提取出道路边缘，再根据道路边缘计算出平均偏移量；之后将平均偏移量作为模糊pid系统的输入，输出的pwm波用来控制舵机，实现小车的转向；最后根据所需的目标速度和平均偏移量计算出实际期望速度并将其作为滑动模糊pid的输入，输出的pwm波用来控制电机，即小车的速度，也即是本发明将susan算子与otsu相结合用于道路边缘提取，优势在于可以快速提取出于周围环境有着明显色差的车道线，采用的是灰度图对环境具有良好的适应性，且susan算子对噪点不敏感，对局部噪点具有较强的抗干扰能力，利用susan算子对局部图像进行检索，提取出车道线信息，并将车道线信息反馈给系统，计算出准确的平均偏移量输入到舵机模糊pid控制器中，模糊pid控制器相较普通pid控制器能够提高整个系统的响应速度，保证控制系统的活力性；大大提高了抗噪性，获得了更高的边缘检测精度；在速度控制中采用基于滑动滤波器的模糊pid控制系统，并结合反馈机制，能将整个电机控制过程更加平滑，提高了精度的同时又兼顾响应速度。

60、2、本发明的道路边缘寻线方法只要目标循线路线与环境背景色差明显便可以识别多种颜色线路的路线，例如以白色为底板，可以很好地识别黑色、蓝色、红色的路线等；本发明所述循迹方法抗干扰能力强且循线的计算量小，能够适应多种场景以及光照条件，具有较高的灵活性；模糊pid控制能够将控制更加精密并且有更快的反应速度，而基于滑动滤波器自适应模糊pid控制兼顾响应速度与输出平稳度的优点。